p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018
KLASIFIKASI KUALITAS MUTU JAGUNG DENGAN
MENGGUNAKAN METODE DECISION TREE PADA DINAS
PERTANIAN BOJONEGORO
Classification of corn quality using the decision tree method at the bojonegoro agriculture office Moch.
Lutfi.
Program Studi Teknik Informatika.
Universitas Yudharta Pasuruan Email: moch.
lutfi@yudharta.
ABSTRAK
Jagung merupakan sumber pangan di beberapa daerah di Indonesia, selain sebagai sumber pangan manusia jagung juga dapat sebagai bahan pakan ternak.
Klasifikasi mutu kualitas jagung sangat diperlukan untuk menghasilkan hasil produksi yang berkualitas.
Kualitas mutu jagung ditentukan oleh attribut varietas, panjang, bentuk , warna, rasa, teknik, musim, hama.
PH dan mutu yang digunakan sebagai proses klasifikasi kualitas mutu dengan algoritma decision tree.
Hasil penelitian dibandingkan dengan tiga kriteria decision tree yaitu gain ratio, information gain dan gini index.
Hasil akurasi menunjukkan bahwa nilai kriteria tertinggi sebesar 72,76% pada kriteria gini index dan nilai terendah pada kriteria gain ratio sebesar 60,67%.
Kata Kunci: klasifikasi kualitas, mutu jagung, metode decision tree
ABSTRACT
Corn is a food source in several regions in Indonesia, in addition to being a human food source, corn can also be used as animal feed ingredients.
Quality classification of corn is needed to produce quality products.
The quality of corn quality is determined by the attributes of varietas, lengths, shapes, colors, flavors, techniques, seasons, pests.
PH and the quality used as a classification process of quality using a decision tree algorithm.
The results of the study were compared with three decision tree criteria namely gain ratio, information gain and Gini index.
Accuracy results show that the highest criterion value is 72.
76% in the Gini index criterion and the lowest value is the criterion gain ratio of 60.
Keywords: corn quality, decision tree method, quality classification PENDAHULUAN Jagung merupakan sumber pangan jagung tersebut.
di beberapa daerah di Indonesia, selain Namun kenyataannya sampai saat sebagai sumber pangan manusia jagung ini yang menjadi permasalahan adalah ku- juga dapat sebagai bahan pakan ternak rangnya kualitas mutu produksi jagung.
(Safuan & Hadini, 2012.
Siregar & Tingginya Nugraha, 2.
Untuk meningkatkan akibatkan oleh kurang baiknya dalam produktivitas jagung, hal yang harus p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 proses penanganan (Firmansyah dkk.
penalaran untuk mendapatkan jawaban dari serbuah masalah (Prasetyo, 2.
selama ini evaluasi kualitas biji Quinlan .
memperkenalkan dalam jagung dalam proses pengklasiAkasian ID3 induksi decision tree hanya bisa masih dilakukan dengan cara manual melalui pengamatan secara langsung.
kategorikal, sedangkan tipe numerik tidak Evaluasi Namun pengamatan secara langsung memiliki melakukan perbaikan metode ID3 menjadi C4.
5 yang dapat menangani fitur tipe membutuhkan proses waktu yang lama numerik, melakukan pemotongan, dan sehingga hasil dari proses klasifikasi mutu penurunan rule set.
Algoritma C4.
5 juga jagung tidak konsisten (Fitriani dkk.
dapat menggunakan kriteria gain dalam Kusumaningtyas & Asmara, 2.
menentukan fitur untuk pemecahan node Ketidak dari akar.
keterbatasan visual manusia, kelelahan Dalam penelitian ini digunakan dan adanya perbedaan persepsi tentang metode decision tree untuk menentukan kualitas oleh masing-masing pengamat (Bustomi & Dzulfikar, 2.
Klasifikasi kriteria gain ratio, gini indeks, dan pembelajaran secara terbimbing melalui infomation gain.
training set berdasarkan data histori METODE PELAKSANAAN (Prabowo dkk.
, 2018.
Yaumi, 2.
Pada penelitian ini digunakan Training set Penelitian dengan menggunakan metode decision pendekatan kuantitatif.
Metode kuantitatif tree pada dataset kualitas mutu produksi bertujuan untuk mencapai pemahaman jagung pada dinas pertanian kabupaten tentang bagaimana sesuatu dikonstruksi.
Bojonegoro.
bagaimana dibangun, atau bagaimana cara Decision (Berndtsson algoritma yang digunakan untuk proses Penelitian klasifikasi maupun prediksi melalui tahap pembentukan pohon keputusan.
Pohon rumus dan diuji p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 menunjukkan bahwa hipotesisnya benar Metode upaya untuk membenarkan hipotesis, jika hipotesis tahan uji, maka akan dianggap eksperimen mencakup investigasi antara benar sebalikan jika hipotesisnya di uji tidak tahan maka dianggap salah.
Aspek pengujian yang dikontrol oleh diri sendiri (Dawson, 2.
Sering kali penelitian semi eksperimental mendapatkan kendala Pada sebab-akibat pada tidak cukupnya akses terhadap memberikan hubungan antara observasi sampel, masalah etika dan sebagainya.
Eksperimen biasanya dilakukan dalam (Hamdi & Bahruddin, 2.
Hasil dari pengembangan, evaluasi dan pemecahan penelitian dan metode kuantitatif adalah masalah proyek.
Karena penelitian yang diakui harus mengikuti tahap prosedur hipotesis yang berkaitan dengan fenomena (Dawson, 2.
, maka pada penelitian ini atau salah.
Oleh karena itu, salah satu seperti Gambar 1.
Pengumpulan data Mutu produksi jagung Pengolahan data awal Metode yang diusulkan Eksperimen dan pengujian metode Validasi dan Evaluasi hasil Gambar 1.
Tahapan Penelitian Penjelasan tahap-tahap sekedar melihat dan mengambil data Gambar 1.
sebagai berikut ini:
Pengumpulan data mendeskripsikan data yang ada, dan harus Pengumpulan data bukan hanya p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 Data prediksi menggunakan algoritma soft- Pengukuran kinerja dilakukan dengan membandingkan nilai accuracy generalisasi, dan teori (Dawson, 2.
dan dibuatkan diagram untuk mengetahui Pengolahan awal data signifikasi perbedaan kinerja metode.
Data sehingga hasil klasifikasi maupun prediksi softcomputing untuk mengurangi data masing-masing diketahui hasil yang lebih akurat.
yang tidak relevan, atau data dengan Tahapan algoritma decision tree atribut yang hilang.
Tahapan Metode yang diusulkan Siapkan dataset produksi jagung yang diusulkan dan menjelaskan cara Pilih atribut sebagai akar.
Buat cabang untuk tiap-tiap nilai.
gambaran penelitian ini digambarkan Bagi kasus pada cabang.
secara skematik dan disertai dengan Ulangi proses untuk setiap cabang Sedangkan sampai semua kasus pada cabang metode diusulkan akan dibentuk dari data memiliki kelas yang sama.
awal yang sudah proses, dan hasil Untuk memilih atribut yang akan pengolahan metode akan diukur dengan digunakan sebagai akar, didasarkan pada metode yang digunakan.
nilai gain tertinggi dari atribut tersebut.
Eksperimen dan pengujian metode Untuk mendapatkan nilai gain, terlebih Menjabarkan bagaimana eksperimen dahulu harus di tentukan nilai Entropinya:
Entropi Untuk Validasi dan Evaluasi hasil Validasi keputusan adalah sebagai berikut:
Untuk menggambarkan alur metode Information gain dan gain Ratio, terlebih Entropy (Madadipouya, 2.
prediksi dibandingkan dengan data awal.
Evaluasi Oc p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 Keterangan:
Untuk melakukan perhitungan gain S = himpunan .
kasus Ratio terlebih dahulu menghitung nilai K = banyaknya partisi S Split Information (Madadipouya, 2.
Pj = probabilitas yang di dapat dari sum .
dibagi total kasus.
Oc Sementara untuk perhitungan nilai gain Keterangan:
A merupakan pecahan hasil dari c yang di sebit si sampai dengan sc yang Information gain memiliki nilai banyak dengan menyatakan Setelah mendapatkan nilai Entropy rumus gain ratio.
langkah selanjutnya adalah perhitungan nilai Information gain dari suatu atribut (Madadipouya, 2.
Gini index:
Oc Oc Keterangan :
Keterangan:
= himpunan kasus = atribut = jumlah partisi atribut A = atribut = Jumlah variabel Y Pk = Proporsi jumlah kelas atribut K terhadap jumlah kelas C.
|S.
= jumlah kasus pada partisi ke-i Penerapan algoritma Decision tree |S| = jumlah kasus dalam S sebagai klasifikasi mutu produksi tanaman jagung ditunjukkan pada Gambar 1.
Gain ratio Dataset.
dinas pertanian bojonegoro Validasi.
10 Flod Cross Validation Model Training Data Decition Tree:
gain ratio information gain gini index Testing Data Evaluasi confusion matrix Gambar 2.
Model penelitian yang diusulkan p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 Tahapan metode dalam penelitian ini merupakan jumlah record positive pada Penerapan Metode Decision tree Validasi menggunakan k-fold cross Evaluasi Berikut Confusion False confusion matrix :
Matrix Akurasi (Ac.
: jumlah prediksi yang benar.
Persamaan di bawah adalah persamaan akurasi.
Evaluasi dengan confution matrix Evaluasi menggunakan Confusion Matrix presisi, recall.
Akurasi pada klasifikasi tp terhadap tupel yang positif.
merupakan evaluasi hasil ketepatan data Persamaan di bawah adalah secara benar setelah dilakukan pengujian terhadap metode Precision atau Sensitivity: membandingkan jumlah persamaan sensitivity.
yang digunakan.
confidence merupakan jumlah kasus yang diprediksi negatif Specificity: membandingkan jumlah maupun positif.
Recall atau sensitivity tn terhadap tupel yang negative.
merupakan jumlah Persamaan di bawah adalah kasus positif yang persamaan specificity.
sebenarnya diprediksi positif secara benar (Andriani, 2013.
Berndtsson dkk.
, 2.
Tabel 1.
Confusion matrix Actual Predicted True negative False positive False negative True positive Positive predictive value: jumlah kasus dengan hasil diagnosis Persamaan di bawah adalah persamaan positive predictive value.
positive merupakan jumlah record positif pada dataset klasifikasi maupun Negative Predictive Value: jumlah prediksi true positive.
negative merupakan kasus dengan hasil diagnosis jumlah record negative pada klasifikasi maupun prediksi true negative.
False positive merupakan jumlah record positive pada dataset klasifikasi maupun p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 Persamaan Teknik sebagai regular attribute.
persamaan negative predictive value.
Musim sebagai regular attribute.
Hama sebagai regular attribute.
PH sebagai regular attribute.
HASIL DAN PEMBAHASAN
Mutu sebagai label Pengumpulan data Data dalam penelitian ini adalah Tabel 2.
Perbandingan akurasi decision data tanaman jagung yang diperoleh dari C4.
gain raiso
Kabupaten
ID3
information gain
CART
gini index Bojonegoro.
Dataset ini terdiri dari 4961 data dengan 10 atribut, yaitu :
Setelah Varietas sebagai regular attribute.
Panjang sebagai regular attribute.
dilakukan proses membandingkan akurasi Bentuk sebagai regular attribute.
Warna sebagai regular attribute.
masing-masing Rasa sebagai regular attribute.
PERBANDINGAN AKURASI
GAIN RAISO
INFORMATION GAIN
GINI INDEX
ID3
CART
C4.
DECISION TREE
Gambar 3.
grafik perbandingan akurasi decision tree Dari grafik perbandingan diatas KESIMPULAN penggunaan kriteria dari gain ratio.
Hasil penelitian dari ketiga kriteria information gain , dan gini index pada decision tree menunjukkan perbedaan decision tree yaitu gain ratio, information yang signifikan, gini index menunjukkan gain dan gini index.
Hasil akurasi tingkat akurasi yang tertinggi, sedangkan menunjukkan bahwa nilai kriteria tertinggi akurasi terendah pada kriteria gain ratio.
p-ISSN: 2085-241X e-ISSN: 2599-3003 Jurnal Agromix Volume 8.
No 1.
Maret 2018 Kusumaningtyas.
, & Asmara.
Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (JST).
Jurnal Informatika Polinema, 2.
, 72Ae72.
Madadipouya.
A new decision tree method for data mining in Advanced Computational Intelligence: An International Journal (ACII), 2.
Prabowo.
Rahmadwati.
, &
Mudjirahardjo.
Klasifikasi kandungan nitrogen berdasarkan warna daun melalui color clustering menggunakan metode fuzzy c-means dan hybrid PSO k-means.
Jurnal EECCIS, 12.
, 1Ae8.
Prasetyo.
Data mining mengolah data menjadi informasi menggunakan matlab.
Andi Offset.
Quinlan.
Induction of decision trees.
Machine Learning, 1.
, 81Ae106.
https://doi.
org/10.
1023/A:1022643
Safuan.
, & Hadini.
Klasifikasi genotip jagung lokal asal kabupaten wakatobi dan kabupaten bombana berdasarkan karakter fenotipnya.
Agroteknos, 2.
, 126Ae133.
Siregar.
, & Nugraha.
Perkembangan produksi dan konsumsi jagung di provinsi Sumatera Utara.
Journal Agribusiness Sciences (JASC), 1.
http://jurnal.
id/index.
JASc/article/view/1542 Yaumi.
Prinsip-prinsip desain Disesuaikan dengan kurikulum 2013 edisi Kedua .
Kencana.
sebesar 72,76% pada kriteria gini index dan nilai terendah pada kriteria gain ratio sebesar 60,67%.
DAFTAR PUSTAKA